Key points are not available for this paper at this time.
O aprendizado federado (FL), que permite que múltiplos dispositivos distribuídos (clientes) treinem colaborativamente um modelo global sem transmitir seus dados privados, tem atraído muita atenção no domínio da Internet das Coisas (IoT). Comparado ao aprendizado centralizado, o FL apresenta vantagens óbvias em termos de privacidade, pois pode proteger os dados brutos dos clientes contra o acesso direto por adversários. Além disso, para evitar que os adversários infiram informações privadas dos parâmetros transmitidos, vários algoritmos de FL baseados em privacidade diferencial (DP) foram propostos, onde os clientes adicionam ruído artificial a seus parâmetros locais para proteção de privacidade. No entanto, o ruído adicionado poderia interferir no processo de aprendizado e degradar o desempenho do modelo treinado. Considerando isso, neste artigo, desenvolvemos um algoritmo de FL baseado em DP (PEDPFL) com desempenho aprimorado, onde um método de regularização de perturbação de classificador é proposto para melhorar a robustez do modelo treinado contra ruído injetado por DP. Derivamos a análise teórica de privacidade e convergência do algoritmo proposto e também demonstramos a influência de alguns hiperparâmetros no desempenho de convergência. Resultados de simulação em conjuntos de dados do mundo real mostram que o algoritmo proposto tem melhor desempenho de classificação do que os algoritmos existentes de FL baseados em DP no mesmo nível de proteção de privacidade e, portanto, é mais aplicável a aplicações de IoT.
Shen et al. (Fri,) estudaram essa questão.